Szybka odpowiedź
Klasyczna taksonomia wyróżnia pięć rodzajów agentów AI: proste agenty reaktywne (działają według reguł "jeśli, to"), agenty z modelem świata (pamiętają stan otoczenia), agenty celowe (wybierają działania, które przybliżają do celu), agenty użytecznościowe (wybierają najlepszą opcję według oceny opłacalności) i agenty uczące się (poprawiają działanie na podstawie doświadczenia) (Russell i Norvig, AIMA). Gdy kilka agentów dzieli się pracą, mówimy o systemie wieloagentowym. Dzisiejsi agenci na modelach językowych to najczęściej agenci celowi z elementami oceny użyteczności.
Czym jest agent AI?
Agent AI to program, który odbiera informacje z otoczenia i podejmuje działania, żeby osiągnąć cel. Russell i Norvig definiują agenta jako wszystko, co odbiera otoczenie przez sensory i działa na nie przez efektory (Russell i Norvig, AIMA). W oprogramowaniu "sensorem" jest e-mail, zgłoszenie, rekord w bazie albo wynik wyszukiwania, a "efektorem" wywołanie API, wiadomość albo zmiana w systemie.
Agentów spotykasz codziennie. Czujnik ruchu, który zapala światło w korytarzu, to agent najprostszego typu. Filtr spamu, który uczy się za każdym razem, gdy oznaczasz wiadomość jako niechcianą albo wyciągasz ją z kosza, to agent uczący się.
Typy różnią się jednym: jak agent podejmuje decyzję. To przekłada się wprost na koszt, przewidywalność i to, jakie procesy w firmie dany typ może obsłużyć. Więcej o samym pojęciu agentowości i pętli działania agenta piszemy w artykule czym jest agentic AI.
Pięć typów agentów AI w skrócie
| Typ | Jak decyduje | Pamięć | Przykład w firmie | Kiedy wybrać |
|---|---|---|---|---|
| Prosty reaktywny | Reguła "jeśli warunek, to akcja" | Brak | Zgłoszenie z tematem "faktura" trafia do kolejki księgowości | Warunki przewidywalne, niski koszt błędu |
| Z modelem świata | Reguła plus wiedza o bieżącym stanie | Stan otoczenia | Monitoring SLA, który wie, ile razy zgłoszenie wracało i od kiedy czeka | Ważna historia i kontekst, ale bez planowania |
| Celowy | Wybiera działania przybliżające do celu | Stan i cel | Agent helpdesku, który ma doprowadzić zgłoszenie do zamknięcia | Kroki zależą od sytuacji |
| Użytecznościowy | Porównuje opcje według funkcji użyteczności | Stan, cel, kryteria | Planowanie tras dostaw z kompromisem koszt, czas, termin | Trzeba ważyć kilka sprzecznych kryteriów |
| Uczący się | Poprawia decyzje na podstawie informacji zwrotnej | Doświadczenie | Rekomendacje produktów, scoring fraudów, filtr spamu | Dużo danych, zmienne otoczenie |
Typy się nie wykluczają. Agent użytecznościowy też ma model świata, a agent uczący się może w środku być agentem celowym. Taksonomia mówi raczej o tym, co jest głównym mechanizmem decyzji.
Proste agenty reaktywne: reguły bez pamięci
Prosty agent reaktywny działa według reguły "jeśli warunek, to akcja" i nie pamięta niczego, co wydarzyło się wcześniej. Lampa z czujnikiem ruchu zapala się, gdy wykryje ruch, i gaśnie, gdy ruch ustaje. Nie przewiduje, kiedy wrócisz, i nie uczy się Twoich nawyków.
W firmie to reguły routingu poczty, alerty przy przekroczeniu progu, automatyczne odpowiedzi poza godzinami pracy. Ich zaleta to szybkość, niski koszt i pełna przewidywalność. Wada to brak elastyczności: jeśli czujnik reaguje na gałęzie drzewa za oknem, będzie to robił, dopóki ktoś nie zmieni reguły.
To nie jest typ "gorszy". W wielu procesach reguła wystarcza i jest lepsza od modelu językowego, bo jest tańsza i łatwa do sprawdzenia. Klasyczna automatyzacja procesów (RPA i BPA) w dużej mierze opiera się na takich regułach, o czym piszemy w artykule o automatyzacji RPA i BPA.
Agenty z modelem świata: decyzje z pamięcią stanu
Agent z modelem świata (ang. model-based reflex agent) utrzymuje wewnętrzny obraz otoczenia i aktualizuje go na podstawie obserwacji. Robot sprzątający buduje mapę mieszkania: pamięta, gdzie już był, gdzie stoi kanapa i które pokoje zostały, nawet gdy nie widzi ich w danej chwili.
Dzięki temu radzi sobie w otoczeniu, którego nie widzi w całości. W firmie to systemy, które łączą bieżące zdarzenie z historią: monitoring zgłoszeń wie, że ten klient pisze trzeci raz w tej samej sprawie, i eskaluje inaczej niż przy pierwszym kontakcie. Nadal jednak reaguje na bieżąco, bez planowania wielu kroków naprzód.
Agenty celowe: działanie w kierunku celu
Agent celowy ocenia możliwe działania według tego, czy przybliżają go do celu, i potrafi zaplanować sekwencję kroków. Aplikacja treningowa, która dostaje docelową wagę, układa plan ćwiczeń i diety, a gdy opuścisz trening, przestawia kolejne dni.
To typ najbliższy dzisiejszym agentom na modelach językowych. Agent dostaje cel ("zamknij to zgłoszenie", "przygotuj raport z tych źródeł"), sam rozkłada go na kroki, wybiera narzędzia i ocenia, czy jest bliżej celu. Narzędzia coraz częściej podłącza się przez otwarty standard MCP.
Ograniczenie klasycznego agenta celowego: interesuje go, czy cel zostanie osiągnięty, a niekoniecznie jak dobrze. Dwie ścieżki, wygodna i niewygodna, są dla niego równie dobre, jeśli obie prowadzą do celu.
Agenty użytecznościowe: wybór najlepszej opcji
Agent użytecznościowy nie pyta tylko "czy osiągnę cel", ale "która opcja jest najlepsza". Używa funkcji użyteczności, czyli sposobu punktowania wyników, który waży kilka kryteriów naraz. System zarządzania energią w budynku balansuje komfort, koszt prądu i emisje, a nie tylko utrzymuje zadaną temperaturę.
W firmie to optymalizacja tras dostaw (koszt paliwa, czas, okna dostawy), harmonogramowanie produkcji, dobór kolejności obsługi zgłoszeń według pilności i wartości klienta czy dynamiczne ceny w e-commerce, które IBM podaje jako typowy przykład agenta użytecznościowego (IBM).
Najtrudniejsze jest zaprojektowanie samej funkcji użyteczności. Jeśli źle zważysz kryteria, agent będzie konsekwentnie optymalizował nie to, co trzeba. Dlatego wagi powinien ustalać biznes, a nie zespół techniczny w pojedynkę.
Agenty uczące się: poprawa z doświadczenia
Agent uczący się zmienia swoje działanie na podstawie informacji zwrotnej. Serwis muzyczny na początku proponuje utwory ogólne, ale z każdym odtworzeniem, pominięciem i playlistą lepiej rozumie Twój gust. Klasyczny agent uczący się ma element krytyka (ocenia wyniki), element uczący się (poprawia zasady) i generator problemów (proponuje nowe próby) (Russell i Norvig, AIMA).
W firmie to systemy rekomendacji, wykrywanie nadużyć, prognozowanie popytu czy filtry spamu. Ich siła to radzenie sobie w otoczeniu, którego nie da się z góry zaprogramować. Słabość: potrzebują dużo danych, na początku działają słabiej, a jakość danych decyduje o jakości wyniku.
Ważne doprecyzowanie: agent na modelu językowym w produkcji zwykle nie jest agentem uczącym się w tym sensie. Model nie zmienia wag po każdym zadaniu. Agent "pamięta" dzięki notatkom, historii i kontekstowi, a poprawę jakości robi zespół: analizuje ślady działania, poprawia narzędzia i instrukcje, czasem dotrenowuje model.
Systemy wieloagentowe: gdy agenci dzielą się pracą
System wieloagentowy to kilka agentów, z których każdy odpowiada za część większego zadania. W inteligentnym domu reguły zapalają światło, agent z modelem świata steruje ogrzewaniem według obecności domowników, agent celowy planuje pracę urządzeń w tańszej taryfie, a agent uczący się przewiduje preferencje.
W świecie modeli językowych popularny jest wzorzec orkiestratora: agent główny dzieli zadanie na części i uruchamia równolegle agentów pomocniczych, a potem łączy ich wyniki. Anthropic opisał taki system do researchu: w ich wewnętrznej ocenie wersja wieloagentowa osiągnęła wynik lepszy o 90,2% od pojedynczego agenta, ale zużywa około 15 razy więcej tokenów niż zwykły czat (Anthropic, 2025). Ten sam tekst zaznacza, że zadania wymagające wspólnego kontekstu lub z wieloma zależnościami, w tym większość zadań programistycznych, gorzej nadają się do takiego podziału.
| Podejście | Zalety | Wady | Dobre do |
|---|---|---|---|
| Jeden agent | Prostszy, tańszy, łatwiejszy do debugowania | Ograniczony kontekst, praca sekwencyjna | Większość procesów firmowych |
| System wieloagentowy | Równoległa praca, specjalizacja, więcej kontekstu łącznie | Wielokrotnie wyższy koszt, trudniejsza koordynacja | Research w wielu źródłach, zadania łatwe do podziału |
U nas widać to na przykładzie agentów AI: helpdesk, asystent operacyjny, agent outreachowy i pentester to osobne, wyspecjalizowane role zbudowane na wspólnym rdzeniu agent-core. Każdy ma własną, wąską listę narzędzi i własne zasady, a wrażliwe akcje zatwierdza człowiek. Specjalizacja ułatwia kontrolę: łatwiej ocenić i zabezpieczyć agenta, który robi jedną rzecz.
Jak wybrać typ agenta do procesu w firmie?
Zacznij od procesu, nie od technologii. Kilka pytań porządkuje wybór:
- Czy kroki są zawsze takie same? Tak: reguły lub workflow (agent reaktywny). Nie: agent celowy.
- Czy liczy się historia sprawy? Tak: potrzebny model świata, czyli stan i pamięć.
- Czy trzeba ważyć sprzeczne kryteria? Tak: agent użytecznościowy, a wagi ustala biznes.
- Czy masz dużo danych historycznych i zmienne otoczenie? Tak: rozważ element uczący się.
- Czy zadanie da się podzielić na niezależne części? Tak, i wartość uzasadnia koszt: system wieloagentowy. Nie: jeden agent.
W praktyce najlepsze systemy łączą typy: reguły tam, gdzie wystarczają, agent na modelu językowym tam, gdzie trzeba elastyczności, a człowiek tam, gdzie zapada ważna decyzja. Różnicę między pojedynczym agentem a szerszym podejściem agentowym opisujemy też w artykule AI agents vs agentic AI.
